Семантическая диффузионная апостериорная выборка для устранения затуманивания в кардиологических ультразвуковых изображениях

Semantic Diffusion Posterior Sampling for Cardiac Ultrasound Dehazing

August 24, 2025

Авторы: Tristan S. W. Stevens, Oisín Nolan, Ruud J. G. van Sloun

cs.AI

Аннотация

Эхокардиография занимает центральное место в визуализации сердца, предоставляя динамические изображения, которые необходимы для диагностики и мониторинга. Однако качество изображения может значительно ухудшаться из-за тумана, вызванного многократными реверберациями, особенно у пациентов, которых сложно визуализировать. В данной работе мы предлагаем семантически-ориентированный алгоритм удаления тумана на основе диффузии, разработанный для конкурса MICCAI Dehazing Echocardiography Challenge (DehazingEcho2025). Наш метод интегрирует покомпонентную модель шума, полученную из семантической сегментации затуманенных изображений, в рамках диффузионного сэмплирования апостериорных распределений, управляемого генеративным априором, обученным на чистых ультразвуковых данных. Количественная оценка на наборе данных конкурса демонстрирует высокую производительность по метрикам контраста и точности. Код представленного алгоритма доступен по адресу https://github.com/tristan-deep/semantic-diffusion-echo-dehazing.

English

Echocardiography plays a central role in cardiac imaging, offering dynamic views of the heart that are essential for diagnosis and monitoring. However, image quality can be significantly degraded by haze arising from multipath reverberations, particularly in difficult-to-image patients. In this work, we propose a semantic-guided, diffusion-based dehazing algorithm developed for the MICCAI Dehazing Echocardiography Challenge (DehazingEcho2025). Our method integrates a pixel-wise noise model, derived from semantic segmentation of hazy inputs into a diffusion posterior sampling framework guided by a generative prior trained on clean ultrasound data. Quantitative evaluation on the challenge dataset demonstrates strong performance across contrast and fidelity metrics. Code for the submitted algorithm is available at https://github.com/tristan-deep/semantic-diffusion-echo-dehazing.